Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Benutzerdefinierte Modelle
In Amazon SageMaker Canvas können Sie benutzerdefinierte Modelle für maschinelles Lernen trainieren, die auf Ihre spezifischen Daten und Ihren Anwendungsfall zugeschnitten sind. Indem Sie ein benutzerdefiniertes Modell anhand Ihrer Daten trainieren, sind Sie in der Lage, Merkmale und Trends zu erfassen, die spezifisch und für Ihre Daten am repräsentativsten sind. Möglicherweise möchten Sie beispielsweise ein benutzerdefiniertes Zeitreihen-Prognosemodell erstellen, das Sie anhand von Inventardaten aus Ihrem Lager trainieren, um Ihre Logistikabläufe zu verwalten.
Canvas unterstützt das Training einer Reihe von Modelltypen. Nach dem Training eines benutzerdefinierten Modells können Sie die Leistung und Genauigkeit des Modells bewerten. Sobald Sie mit einem Modell zufrieden sind, können Sie Vorhersagen zu neuen Daten treffen. Außerdem haben Sie die Möglichkeit, das benutzerdefinierte Modell zur weiteren Analyse mit Datenwissenschaftlern zu teilen oder es auf einem SageMaker gehosteten Endpunkt bereitzustellen, um daraus Rückschlüsse in Echtzeit ziehen zu können — alles von der Canvas-Anwendung aus.
Sie können ein benutzerdefiniertes Canvas-Modell mit den folgenden Arten von Datensätzen trainieren:
-
Tabellarisch (einschließlich numerischer, kategorialer, Zeitreihen- und Textdaten)
-
Image
Die folgende Tabelle zeigt die Typen von benutzerdefinierten Modellen, die Sie in Canvas erstellen können, sowie die unterstützten Datentypen und Datenquellen.
| Modelltyp | Beispielanwendungsfall | Unterstützte Datentypen | Unterstützte Datenquellen |
|---|---|---|---|
Numerische Vorhersage |
Vorhersage von Immobilienpreisen auf der Grundlage von Features wie der Quadratmeterzahl |
Numerischer Wert |
Lokaler Upload, Amazon S3, SaaS-Konnektoren |
Vorhersage von 2 Kategorien |
Vorhersage, ob ein Kunde wahrscheinlich abwandern wird |
Binär oder kategorisch |
Lokaler Upload, Amazon S3, SaaS-Konnektoren |
Vorhersage für Kategorien ab 3 |
Vorhersage der Behandlungsergebnisse nach der Entlassung aus dem Krankenhaus |
Kategorisch |
Lokaler Upload, Amazon S3, SaaS-Konnektoren |
Zeitreihenprognosen |
Vorhersage Ihres Inventars für das nächste Quartal |
Zeitreihen |
Lokaler Upload, Amazon S3, SaaS-Konnektoren |
Vorhersage von Bildern mit einer einzigen Beschriftungen |
Vorhersage von Arten von Herstellungsfehlern in Bildern |
Bild (JPG,PNG) |
Lokaler Upload, Amazon S3 |
Textvorhersage für mehrere Kategorien |
Vorhersage von Produktkategorien wie Kleidung, Elektronik oder Haushaltswaren auf der Grundlage von Produktbeschreibungen |
Quellspalte: Text Zielspalte: binär oder kategorisch |
Lokaler Upload, Amazon S3 |
Erste Schritte
Gehen Sie wie folgt vor, um mit der Erstellung und Generierung von Vorhersagen anhand eines benutzerdefinierten Modells zu beginnen:
-
Ermitteln Sie Ihren Anwendungsfall und die Art des Modells, das Sie erstellen möchten. Weitere Informationen zu den benutzerdefinierten Modellen finden Sie unter Wie funktionieren benutzerdefinierte Modelle. Weitere Informationen zu den Datentypen und -quellen, die für benutzerdefinierte Modelle unterstützt werden, finden Sie unter Daten importieren.
-
Importieren Sie Ihre Daten in Canvas. Sie können ein benutzerdefiniertes Modell mit jedem Tabellen- oder Bilddatensatz erstellen, der die Eingabeanforderungen erfüllt. Weitere Informationen zu den Anforderungen finden Sie unter Erstellen eines Datensatzes.
Weitere Informationen zu Beispieldatensätzen, SageMaker mit denen Sie experimentieren können, finden Sie unter. Beispieldatensätze in Canvas
-
Erstellen Sie Ihr benutzerdefiniertes Modell. Sie können einen Schnellaufbau durchführen, um Ihr Modell zu erhalten und schneller Vorhersagen zu treffen, oder Sie können einen Standardaufbau für eine höhere Genauigkeit ausführen.
Bei Modelltypen für numerische, kategoriale und Zeitreihenprognosen können Sie Ihre Daten mit der Data Wrangler-Funktion bereinigen und aufbereiten. In Data Wrangler können Sie einen Datenfluss erstellen und verschiedene Datenaufbereitungstechniken verwenden, z. B. erweiterte Transformationen anwenden oder Datensätze verbinden. Bei Modellen zur Bildvorhersage können Sie Bearbeiten Sie einen Bilddatensatz um Ihre Beschriftungen aktualisieren oder Bilder hinzufügen und löschen. Beachten Sie, dass Sie diese Features nicht für Textvorhersagemodelle mit mehreren Kategorien verwenden können.
-
Bewerten Sie die Leistung Ihres Modells und ermitteln Sie, wie gut es bei realen Daten abschneiden könnte.
-
(Optional) Für bestimmte Modelltypen können Sie mit Datenwissenschaftlern in Amazon SageMaker Studio Classic zusammenarbeiten, die Sie bei der Überprüfung und Verbesserung Ihres Modells unterstützen können.
-
Treffen Sie Einzel- oder Batch-Vorhersagen mit Ihrem Modell.
Anmerkung
Wenn Sie bereits ein in Amazon SageMaker Studio Classic trainiertes Modell haben, das Sie mit Canvas teilen möchten, können Sie Ihr eigenes Modell zu SageMaker Canvas bringen. Prüfen Sie die BYOMVoraussetzungen, um festzustellen, ob Ihr Modell für die gemeinsame Nutzung in Frage kommt.
